推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

689次阅读
没有评论

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

导读 自从 MMoE 和 PLE 大杀四方,获得 RecSys Best Paper,多任务 CTR/CVR/StayTime 还有什么做法?本文介绍了 Shopee 提出的在用户分群基础上进一步细化多任务效果的优化方法–用户生命周期视角下的多任务推荐模型。(论文链接:https://arxiv.org/abs/2306.12232)

主要包括以下部分:

1. 业务背景

2. 关键问题

3. 解决方案

4. 离线效果

5. 工作价值

6. 结论展望

分享嘉宾|郑文豪、李宛达、肖玄基 深圳虾皮科技有限公司 算法专家

编辑整理|王丽颖

内容校对|李瑶

出品社区|DataFun

01业务背景

本文工作是从业务出发提出的一项创新性工作,首先来介绍一下业务背景。

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

图中所示是常见的 Shopee 双列流 feed,用户点击一个直播后,会进入全屏沉浸流,产生消费时长,同时也可以点击购买商品,产生消费下单。

该路径下的用户会经历几个阶段:

  • 新用户阶段,订单与时长都较低。
  • 后续在平台进行闲逛,时长增加,订单转化仍较低,对于此部分用户,不适合推荐杂乱的直播间,而更适合推荐优质商品的、能够让人沉浸的直播间,会让用户逛得更久。
  • 对于平台的忠诚用户,其 CVR 转化较高,但其目标明确,时长可能会相应减少,对于此部分用户,适合推荐简单易转化的商品。

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

因此,不同用户群体对不同任务指标的偏好相差较大,通过数据分析,我们发现 CTR、停留时长、CVR 任务的用户群分布类似于幂律分布。对于不同阶段的用户,CTR、停留时长、CVR 等分布也不同,新用户的 CTR、停留时长等分布较为靠后。因此,我们观测到不同任务指标的偏好与用户当前的状态密切相关,且用户状态会随时间而变。

02

关键问题

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

我们从数据分析中提炼出了如下的关键问题:现有方法中在多任务优化时,对所有用户一视同仁,会导致优化跷跷板现象。因此问题核心是要准确追踪用户状态,才能同时提高 CTR、时长和订单指标。对此问题进行拆解,可以得到如下三个子问题:如何识别用户状态,如何追踪用户状态信息以及如何结合用户状态优化多任务模型。

03

解决方案:STAN

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

针对以上问题,我们提出了 STAN 这一解决方案。STAN 网络如上图所示,分为几个部分:右侧是传统的 MMoE 的模型结构,是 PLE 模型;左侧是对用户信息建模,用户信息会反映在 loss 上,对 loss 进行调整。

1. 雾里看花:如何识别用户状态?

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

首先,第一个问题是如何识别用户状态。我们使用了用户特征抽取网络建立特征间的交互关系,通过 Attention 网络结构,针对特定任务生成含有用户倾向信息的用户表征。在此之上构建 loss,Label 为用户是否点击、购买等。这里没有 Item 侧信息,Label 的平均估计为用户对 CTR、CVR、时长等的偏好。

2. 拨云见日:如何准确追踪用户状态?

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

通过对用户每个目标的预估值,就能够大概知道用户处于哪个状态,同时针对每个用户,我们引入了用户自适应的 Beta 分布对用户倾向的预测值重采样。Beta分布在用户数据较少情况下置信度低,此时预估值较为不准确,需要引入重采样校正方法校正产出预估值,从而降低极端数据影响。

3. 登堂入室:如何结合用户状态,优化多任务模型?

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

最后是结合用户状态,优化多任务模型。多任务模型的优化部分会叠加本身多任务模型 loss 与用户状态 loss,同时训练,同步迭代。

04

离线效果

1. 离线效果:理解性实验

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

首先,我们进行了理解性试验,验证离线效果。

如何验证本文方法能否识别用户状态呢?我们对比了同一组用户在不同模型的表征。如上图所示,STAN 模型对于 Wander、Stick、Loyal 用户分群下的表示比 PLE 区分度更大。该图是对用户 Emb 降维到二维空间构建的,PLE、STAN 模型用的用户 Emb 是通过 userid 抽取得到的。

另一个问题是,本文方法能否准确追踪用户状态?我们对比了同一组用户在不同日期的状态,如上图右下角的图中所示,五星表示用户,Day 1 用户处于 New 的状态,Day
31 则变为 Wander 和 Stick 状态,说明本方法能够自适应地追踪用户状态的变迁。

2. 离线效果:Shopee Dataset

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

我们采用工业数据集对效果进行了验证,为了方便对比,我们使用了三周的数据进行训练,一周的数据进行测试。评估指标是 AUC,NDCG@1。在图中的 PLE 模型中,我们添加了 stage 的标识,固定了 2 个 stage,任务准确率有一定提升。在增加自适应 stage 后,准确率有所提升,但模型波动较大。加入 Beta 重采样后,准确率稳中有升,模型更加稳定。

3. 离线效果:Public Dataset

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

我们在公开数据集:微信视频号数据集上进行了验证,其中有三个目标:点赞、点 up 主头像、转发,评估指标是 AUC,NDCG@5,其中 NDCG@5 是该数据集中的公开对比指标。从图中可以看出,实验效果与 Shopee 数据集表现类似。

05

工作价值

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

我们将此工作在线上进行了验证,base 是 PLE 模型,实验组增加了 STAN 模型。实验效果 CTR+3.94%,staytime+3.05%,order+0.88%,每个指标都有所增长。其中 order 增长较小,是因为 Shopee 平台上的 order 量还比较小,相应的用户群也较小,因此提升稍弱一些。

本文的工作已被 Recsys’23 接收。

06

结论展望

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

总结来说,我们应当重视推荐系统中用户的生命周期;在多任务学习中需要显式建模用户生命周期;同时我们需要立足于线上真实分布的数据,深挖技术突破点。

未来,我们会在每一层的推荐候选中结合用户生命周期进行细粒度调整;同时也希望创新方法可以落地,业务也需要进行持续创新。

以上就是本次分享的内容,谢谢大家。

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

分享嘉宾

INTRODUCTION

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

郑文豪、李宛达、肖玄基

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

深圳虾皮科技有限公司

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

算法专家

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

本硕皆是南京大学计算机系,硕士期间在 lamda 实验室研究机器学习与数据挖掘。毕业五年,在微信、阿里、字节都从事搜索推荐算法相关工作,对 qp、召回、粗排、精排、重排等模块都有深入研究。发表过多篇论文,包括 ICDE、WWW、AAAI、Recsys 等。相关论文皆在业务场景中落地,并取得较大的效果。目前在虾皮主要做直播推荐,侧重订单模型及重排模型等。

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

限时免费资料

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

往期优质文章推荐

往期推荐

大型制造企业智能决策场景解析

Open Vocabulary Detection 开放世界目标检测竞赛 2023获胜团队方案分享

混合存储架构中的数据编排

腾讯 PCG 数据治理体系

大模型视角下的因果推断

大模型分布式训练效能提升的必要性(万字长文推荐收藏)

火山引擎  DataLeap  计算治理自动化解决方案实践和思考

知乎是怎样进行埋点平台建设升级的?

字节跳动 Spark Shuffle 大规模云原生化演进实践

为何要用向量数据库?成本,成本,成本!

超越Midjourney?基于语境学习训练图像扩散模型【前沿】

MaxCompute湖仓一体方案新能力

网易云音乐推荐系统的冷启动技术

大语言模型在推荐系统的实践应用

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

点个在看你最好看

推荐多任务 2023 最新进展:用户生命周期视角下的多任务推荐模型 STAN

 

Read More 

正文完
可以使用微信扫码关注公众号(ID:xzluomor)
post-qrcode
 
评论(没有评论)
Generated by Feedzy